В сегодняшнем сообщении мы получили информацию от Али Альви, Q & A / выдающегося руководителя группы фрагментов в Bing.
Официальное название Alvi – «Старший директор программы основного продукта IA, Bing»
Прочитайте это дважды, и вы получите хорошее представление о том, как много в этом интервью содержится, а не просто о том, как получить рекомендуемый фрагмент.
Во время интервью подкаста я пытался понять, как Bing генерирует вопросы и ответы (рекомендуемый фрагмент в Google-talk)…
Это означает, что я спрашивал, как они получают лучший ответ на любой вопрос из сотен миллиардов страниц в Интернете.
У меня есть это.
И я хожу больше.
Вопросы и ответы / Избранные фрагменты
Первое (и смысл этого) интервью: я хотел провести содержательную беседу с кем-то из команды, работающей над алгоритмом, чтобы получить наилучший ответ. (Отзывчивая оптимизация двигателя – моя вещь.)
Описания (фрагменты не показаны)
Неожиданно я также получил представление об алгоритме, который генерирует описания, используемые в традиционных синих ссылках.
Оказывается, что эти два тесно связаны.
Alvi (ниже) замечательно заявляет: для вопросов и ответов Google использует термин «избранные фрагменты».
Таким образом, эти верхние, передние и центральные результаты представляют собой просто фрагменты синих ссылок.
Очевидно, это ослепительно, когда вы полностью усвоили идею о том, что текст под синими ссылками – это не «прославленные метаописания», а адаптированные сводки страниц для решения поискового запроса.
Почему мета описания не влияют на рейтинг
Мета-описания не влияют на рейтинг.
Почему?
Потому что они перенесли его в другой алгоритм несколько лет назад.
Возможно, когда они сказали нам, что они больше не приняли их во внимание. Боже мой
SEO-эксперты чрезмерно оптимизируют мета-описания.
Все остальные не могут предоставить один.
В любом случае, владельцы сайта делают плохую работу. 🙂
Bing и Google не могут доверять нам в точности подвести итоги наших собственных страниц.
Теперь вы знаете, как Бинг создает «описания синей ссылки», когда ему не нравится его мета-описание.
Вопросы и ответы / Избранные фрагменты, созданные в созданной ими системе для создания описаний на ходу
Итак, в общем, ответ, который мы видим в верхней части результатов, – просто взять фрагмент, который Bing или Google извлекли из нашего контента, и представить его.
Альви отмечает, что это не просто «взять фрагмент и представить его». Иногда они делают гораздо больше, чем это.
Они могут (а иногда и делают) создавать резюме текста и отображать его.
Извлечь неявный вопрос из документа
И создание резюме документа является частью процесса путем сопоставления ответа в документе с вопросом.
Пользователь Bing задает вопрос (в форме поискового запроса), затем вопросы и ответы смотрят на результаты верхней синей ссылки (с использованием Тьюринга) и создают сводку.
Это резюме дает вопрос, на который документ неявно отвечает.
Определите скрытый вопрос, ближайший к вопросу пользователя, и в бинго есть «лучший» ответ / Вопросы и ответы / Рекомендуемый фрагмент.
По словам Алви, они используют искусственный интеллект, который не используется нигде, даже в академии. Они учат машины читать и понимать.
Тьюринг является ключом к вопросам и ответам, но много более того …
Тьюринг приводит фрагменты, которые генерируют вопросы и ответы … и все продукты Microsoft
«В Bing у нас есть группа прикладных исследователей, работающих над высокими алгоритмами обработки естественного языка …», – говорит Альви.
Фрагмент команды «является ядром этих алгоритмов для всех Microsoft».
Из того, что я понимаю, это означает, что команда, работающая с этими (на первый взгляд безобидными) описаниями, дает понимание того, как понимать текстовые тела и извлекать или создавать фрагменты текста для отображения не только для любого набора кандидатов, которые в нем нуждаются, но любая платформа или программное обеспечение, такое как Word или Excel.
С точки зрения SEO, это означает практику использования машинного обучения (в форме Тьюринга в Bing) для создания текста, который показывает пользователям от названий до описаний, резюме и ответов на вопросы для… ну, кто ты знаешь
С более широкой точки зрения, кажется, что способ, которым это работает для описаний SERP, даст представление о том, куда он движется в другом месте в экосистеме Microsoft.
Как только Альви говорит это, становится очевидным, что должна существовать сильная централизация для этого типа технологий (чтобы мы могли использовать свое воображение и придумывать другие возможные примеры).
Интересно, что есть что-то, что покрывает (или покроет) все продукты Microsoft из описаний десяти синих ссылок.
Вернуться к Как работают алгоритмы поиска
Дарвинизм в поиске это одно – 100%
Это интервью является прекрасным продолжением статьи, которую я написал после того, как услышал, как рейтинг Гари Иллиеса в Google работает в Google.
Я спросил Illyes, есть ли отдельный алгоритм для выбранного фрагмента, и он сказал «Нет» …
Существует центральный алгоритм для синих ссылок, и все наборы кандидатов используют его модульным способом, применяя различные веса к факторам (или, точнее, характеристикам) модульным способом.
Альви утверждает, что «идея именно такая».
В первом эпизоде Frédéric Dubut подтверждает это, а в пятом – Натан Чалмерс (руководитель группы Whole Page), так что теперь мы находимся на очень надежное основание: дарвинизм в поисках – это «вещь».
Основой всегда являются 10 синих ссылок
Alvi делает большое замечание: поисковые системы развиваются (оооо, дарвинизм снова).
Исторически сложилось, что в первые 15 лет в поисковых системах было всего 10 синих ссылок.
Затем, когда появляются новые функции, такие как вопросы и ответы, они должны помещаться поверх оригинальной системы, не нарушая ядро.
Простой.
Brilliant.
Логический.
Вопросы и ответы: «Лучший ответ из лучших синих ссылок»
Алгоритм вопросов и ответов просто просматривает лучшие результаты из синих ссылок, чтобы посмотреть, сможете ли вы извлечь контент из одного из документов, который точно ответит на этот вопрос на месте.
Следовательно, необходимо занять место в топ-20 (точное число неясно и почти наверняка варьируется от случая к случаю).
Есть интересное исключение (см. Ниже).
Возможно, мы склонны забывать, что люди, которые используют Bing и Google, доверяют им.
Как пользователь, мы склонны доверять ответу сверху. И это важно для понимания того, как работают обе компании.
Для них обоих их пользователи действительно являются их клиентами. Как и любой бизнес, Google и Bing должны обслуживать своих клиентов.
Эти клиенты хотят и ожидают простого ответа на вопрос или быстрого решения проблемы.
Q & A / Featured Snippets – самое простое и быстрое решение, которое они могут предоставить своим клиентам.
Частью работы Alvi является обеспечение того, чтобы результат, который обеспечивает Bing, соответствовал ожиданиям своих клиентов, корпоративному имиджу Microsoft и бизнес-модели Bing.
Это тонкий баланс, с которым сталкиваются все компании:
- Удовлетворять пользователей.
- Поддерживать корпоративный имидж.
- Заработать деньги
В случае вопросов и ответов (или любого другого результата поиска по этому вопросу) это означает предоставление пользователю «наилучшего и наиболее удобного ответа», не будучи воспринятым как неправильный, частичный, вводящий в заблуждение, оскорбительный или какой-либо другой.
Причудливый: Чтобы получить вопрос и место для ответа, вам не обязательно ставить рейтинг на синие ссылки
Альви утверждает, что более В большинстве случаев вопросы и ответы просто основаны на синих ссылках.
Но они запоминают результаты, которые они показывают, и иногда они показывают результат, которого в настоящее время нет в синих ссылках.
Следовательно, вы должны ранжироваться, чтобы получить вопросы и ответы первыми, но вам не нужно сохранять рейтинг «синей ссылки», который будет учитываться в будущем месте ответов на вопросы, поскольку у вопросов и ответов есть память.
Каковы факторы рейтинга для вопросов и ответов?
Опыт, авторитет и доверие. Простой.
Bing использует термин «релевантность» вместо опыта.
Они означают точность, а не миллион миль от концепции опыта.
Поэтому вопросы и ответы основаны на E-A-T.
Google и Bing смотрят наш Опыт, авторитет и доверие, потому что они хотят показать «лучшие» результаты: те, кто они Он кажется экспертом, авторитетным и заслуживающим доверия своим пользователям.
Не сейчас что Есть смысл?
Вот процесс, чтобы найти «лучший» ответ
Нечто начинается с актуальности.
Правильный ли ответ?
Если так, у вас есть шанс.
Точность любого документа зависит от того, соответствует ли он принятому мнению и качеству документа.
И то, и другое определяется пониманием алгоритмов сущностей и их отношений (поэтому поиск на основе сущностей – это тоже одно).
Как только объект определен как ключ к ответу, нейронные сети определяют, присутствует ли этот объект в этом ответе.
И если да, то какой контекст по сравнению с другими связанными сущностями также присутствует и насколько близко этот мини-граф знаний соответствует «принятой истине»?
Затем из тех документов, которые имеют отношение (или точный / правильный / эксперт, выберите вашу версию), вы увидите признаки авторитета и доверия.
Сквозные нейронные сети оценивают явный и неявный авторитет и доверие документа, автора и издателя.
Сквозные нейронные сети
Альви настаивает на том, что вопросы и ответы являются практически сквозными нейронными сетями / машинным обучением.
Как и Дубут, он видит алгоритм просто как модель измерения …
Он измеряет успех и неудачу и адаптируется соответственно.
Измерение успеха и неудачи: отзывы пользователей
Благодаря сквозным нейронным сетям люди контролируют вводимые ими данные и метрики, которые они используют для оценки производительности.
Они непрерывно подают на машину то, что я бы назвал «корректирующими данными».
Цель состоит в том, чтобы указать машине:
- Где он все делает правильно (Дабут говорит о подкреплении в обучении).
- Когда вы ошибаетесь (это подталкивает машину к настройке).
Большая часть этих данных основана на отзывах пользователей в форме:
- Судьи (эквивалент оценки качества Google – Dubut говорит о них здесь).
- Вы обследует.
- Комментарии от SERP.
Альви предполагает, что это ключ к оценке машины, а также к оценке команды.
Соответствующие члены команды должны отвечать внутренне.
Основная ответственность команды, стоящей за этим алгоритмом, состоит в том, чтобы создать надежный алгоритм, который генерирует результаты, которые создают доверие к поисковой системе.
Для меня это говорит о том, что люди, которые ищут в Bing или Google, являются вашими клиентами.
Как и любой другой бизнес, его бизнес-модель основана на удовлетворении этих клиентов.
И, как и в любом другом бизнесе, они заинтересованы в том, чтобы использовать отзывы клиентов для улучшения продукта.
Факторы ранжирования отсутствуют, показатели находятся в
Поскольку машинное обучение доминирует в процессе ранжирования, ключевым вопросом является не «каковы факторы», а «каковы показатели».
Фактический расчет рейтинга практически превратился в сквозные нейронные сети.
И что люди должны сделать, это установить метрики, сделать контроль качества и подать чистые, маркированные данные, чтобы побудить машину исправлять себя.
Факторы, которые машина использует для соблюдения этой меры, мы (и они) не можем знать.
Модели, которые Bing имеет в производстве, имеют сотни миллионов параметров.
Никто не может войти и понять, что происходит. Единственный способ измерить это – дать ему вход и измерить выход.
Мы можем предоставить машинам набор факторов, которые мы считаем актуальными.
Но как только мы позволим им потерять информацию, они выявят факторы, о которых мы не думали.
Эти скрытые / косвенные факторы не известны людям Bing или Google, поэтому нет смысла спрашивать их, кто они.
Некоторые из факторов, которые вы изначально считали важными, не являются.
Некоторые думали, что это не большая проблема.
И те, о которых вы даже не думали, необходимы.
Таким образом, вопрос заключается в том, «каковы показатели», потому что именно там контролируют команды разработчиков. Это меры успеха для машины.
Важно отметить, что машина будет привязана к тому, что говорит метрика.
Если метрика неверна, машина указывает на неправильные цели, корректирующие данные (инструкции) вводят в заблуждение, и в конечном итоге машина все сделает неправильно.
Если метрика верна, весь процесс помогает улучшить результаты в виртуальном круге и улучшить результаты для клиентов Bing.
И продукт Bing – это успех.
Фильтрация результатов / Рельсы
Поскольку команда оценивается по качеству результатов, которые они производят, а по качеству – по способности этих результатов повышать доверие клиентов Bing к продукту Bing, у них есть фильтр для предотвращения результатов ». плохой "вред бренда Bing.
Этот фильтр сам по себе является алгоритмом, основанным на машинном обучении.
Фильтр, который учится выявлять и подавлять все бесполезное, оскорбительное или наносящее ущерб репутации Bing. Например:
- Ненависть
- Контент для взрослых.
- Поддельные новости.
- Оскорбительный язык.
Фильтр не изменяет выбранного кандидата, а просто подавляет предложение к алгоритму всей страницы.
Альви интересно отмечает, что они просто пользуются прерогативой не отвечать на заданный вопрос.
Аннотации являются ключевыми
«Фабрис и его команда делают потрясающую работу, которой мы действительно доверяем», – говорит Альви.
Далее он говорит, что они не могут построить алгоритмы для генерации вопросов и ответов без аннотаций Canel.
И эта серия указывает, что это общая тема, которая относится ко всем богатым элементам.
Специально для вопросов и ответов эти аннотации позволяют алгоритму легко идентифицировать соответствующие блоки и позволяют им достигать и извлекать соответствующий отрывок, где бы он ни появлялся в документе («Fraggles» Синди Крум).
Они также являются идентификаторами, которые фрагменты используют для извлечения наиболее подходящей части документа при переписывании метаописаний для синих ссылок.
Это уже довольно круто. Но похоже, что аннотации Кэнела выходят за рамки простого определения блоков.
Они доходят до того, что предлагают возможные отношения между различными блоками в документе, которые значительно облегчают задачу объединения текста из нескольких частей документа и их объединения.
Таким образом, в дополнение ко всему, что он делает, Bingbot также играет важную роль в семантической разметке.
И это еще раз напоминает нам о том, как важно структурировать наши страницы и дать Bingbot (и Googlebot) как можно больше подсказок, чтобы они могли добавить самый богатый слой аннотаций, возможный для нашего HTML, так как эта аннотация очень помогает Algos. извлечь и максимально использовать наш (замечательный) контент.
Q & A лидирует
Вопросы и ответы занимают лидирующее место и занимают центральное место в верхней части результатов, являются центром, используемым всеми другими продуктами Microsoft, и играют центральную роль в путешествии на основе задач, о котором Бинг и Google говорят как о будущем поиска.
Отобранные вопросы и ответы / фрагменты – это те, которые действительно раздвигают границы и находятся на переднем крае и фокусе для всех нас: Bing, Google, их пользователей и нас, как поисковых маркетологов, что вдохновляет меня сказать это. …
Стратегия SEO в двух словах
Когда я слушаю разговоры для написания этой серии статей, я поражаюсь, насколько тесно все это сочетается.
Для меня теперь совершенно ясно, что весь процесс отслеживания, хранения и сортировки результатов (будь то синие ссылки или богатые элементы) глубоко взаимосвязан.
И учитывая то, что Canel, Dubut, Alvi, Merchant и Chalmers разделяют в этой серии, наши основные подходы могут быть обобщены следующим образом:
- Структурирование нашего контента для облегчения отслеживания, извлечения и аннотирования.
- Убедитесь, что наш контент является ценным для подмножества ваших пользователей, которые являются нашей аудиторией.
- Создание E-A-T на уровне контента, автора и редактора.
И это верно независимо от того, какой контент мы просим Bing (или Google) представить своим пользователям, будь то синие ссылки или богатые элементы.
Избранные и размещенные изображения: Véronique Barnard, Kalicube.pro
